Causale intelligentie: De sleutel tot het verhogen van AI-prestaties in bedrijven

Kunstmatige intelligentie (AI) en Machine Learning (ML) worden steeds populairder in bedrijven. De afgelopen jaren hebben bedrijven steeds meer geld geïnvesteerd in ‘black-box’ oplossingen in de hoop geavanceerde algoritmen te ontwikkelen die hen zullen helpen beter, slimmer en efficiënter te werken. 

Denk bijvoorbeeld aan de recente hype rond AutoML. Geautomatiseerde Machine Learning-oplossingen. die gebruiksvriendelijk zijn, een hogere nauwkeurigheid hebben dan traditionele ML-modellen en sneller in realtime kunnen worden ingezet.. Sinds Facebook in april 2016 AutoML ophemelde als de ruggengraat van zijn AI/ML-oplossingen, hebben Google, Salesforce, Amazon en Microsoft allemaal hun eigen aangepaste AutoML-oplossingen uitgerold. 

Het belangrijkste voordeel van oplossingen zoals AutoML is duidelijk: ze stellen gebruikers in staat om snel productieklare goedkope AI/ML-oplossingen uit te rollen. Net als andere ‘black-box’ AI-systemen zijn er echter ook belangrijke tekortkomingen bij het gebruik ervan voor geautomatiseerde besluitvorming. 

Deze systemen modelleren uitkomsten meestal met behulp van machinaal leren - tenzij ze gevoed worden met grote data. Ze brengen gebruikerskenmerken in kaart in specifieke segmenten (zoals bijvoorbeeld gezondheidsstatus of financiële status) zonder uit te leggen waarom.

Dit is zeer problematisch, niet alleen vanwege het gebrek aan transparantie, maar ook omdat het uitvoeren van dergelijke automatische gebruikerscartografie het risico inhoudt dat het besluitvormingsalgoritme gevoed wordt met mogelijke vooroordelen, afkomstig van menselijke vooroordelen en verzamelartefacten die verborgen zitten in de training data. Dit kan leiden tot oneerlijke of verkeerde beslissingen.

Om dit probleem te voorkomen, moeten zakelijke besluitvormers deze ‘back-box’ systemen voeden met betrouwbaardere data sets - die ze kunnen verfijnen door hun Causale Intelligentie te ontwikkelen, het begrip van de oorzaak-en-gevolgrelaties tussen wat hun klanten doen en hoe dit hun bedrijf beïnvloedt. 

Hoe Causale Intelligentie werkt

Causaliteit is geen nieuw concept. Traditioneel werd causaliteit afgeleid met behulp van A/B-tests en look-alike analyses tussen test- en controlegroepen. Het probleem met deze aanpak is echter dat hoe groter het aantal of de complexiteit van de interventies, hoe moeilijker het is om look-alike en mimische controlegroepen te selecteren. 

Causale grafische modellen daarentegen (probabilistische grafische modellen die aannames coderen over het data-generatieproces), dit probleem op te lossen. Een van de populairste Causale Grafische modellen is een Bayesiaans Netwerk. Het ziet eruit als een spinnenweb of netwerk van verbindingen die het effect van elke variabele op de andere zichtbaar maken.

(Hierboven: Een voorbeeld van een Bayesiaans netwerk dat laat zien hoe verschillende factoren de verkoop beïnvloeden)

Om uit te leggen hoe het werkt, kunt u een situatie in overweging nemen waarin u uw Marketing Return on Investment consolideert. Voor verschillende FMCG-merken kan een Bayesiaans netwerk, gezien het feit dat de meeste verkopen offline plaatsvinden, inter- en intraverbanden identificeren tussen interne digitale en offline marketinginspanningen, prijs, concurrentie, externe factoren zoals grondstoffenmarkten en offline verkopen. Hieruit kunnen dan drie soorten inzichten worden geëxtraheerd: 

1. Beschrijvend (Amazon Reviews waren bijvoorbeeld direct verantwoordelijk voor 10 000 EUR aan extra inkomsten).

2. Voorspellend (Bijvoorbeeld: 10% meer investeren in CPM-reclame kan 3 000 EUR meer aan incrementele inkomsten genereren).

3. Voorschrijvend (Voor hetzelfde budget kan Facebook bijvoorbeeld 30% grotere investering krijgen en kan de investering in e-mail met 5% worden verlaagd).

Oorzaak-en-gevolgrelaties identificeren

Cruciaal is ook dat Casual Intelligence besluitvormers helpt het ‘waarom’ in hun data te begrijpen. 

Oorzaak-en-gevolgrelaties kunnen moeilijker te ontdekken zijn dan u denkt. Veel analisten gaan ervan uit dat er sprake is van een oorzaak-gevolgrelatie als twee factoren in de loop van de tijd ogenschijnlijk door elkaar beïnvloed worden; ze lijken allebei op dezelfde manier toe- en af te nemen. Dat is echter een verkeerde benaming. Dergelijke trends kunnen puur toevallig zijn, en een correlatie impliceert geen oorzakelijk verband. Dit is wat statistici een ‘onechte correlatie’ noemen - ze bestaat niet noodzakelijk. 

Het is gemakkelijk om in de val te lopen van het identificeren van ‘valse correlaties’ - en veel besluitvormers nemen uiteindelijk beslissingen op basis van dergelijke onnauwkeurige veronderstellingen. Dergelijke misstappen komen zo vaak voor dat De Financial Times noemt valse correlaties “het kryptoniet” van de AI-roes van Wall Street..

Met Causal Intelligence-modellen kunnen gebruikers echter relaties nauwkeuriger bepalen. Door te begrijpen hoe de ene variabele de andere beïnvloedt, kunnen gebruikers beter begrijpen hoe en waarom bepaalde cijfers of outputs zijn veranderd - en (nauwkeuriger) voorspellen of een correlatie zal voortduren of statisch zal blijven.

Zakelijke toepassingen van Causale Intelligentie

De behoefte aan Causal Intelligence varieert per branche, de mate van AI/ML-implementatie en de hoeveelheid menselijke tussenkomst bij het genereren en valideren van voorspellingen. Het proces kan bedrijven in elke verticale sector echter helpen om meer inzicht te krijgen in drie belangrijke gebieden:

• Marketingrendement van investering (MROI)

Traditioneel hebben marketeers hun optimale mediamix of marketingbudgetten verfijnd met Marketing Mix Modellen (MMM's). Dit zijn meestal klassieke macro-economische modellen die aantoonbaar de lineaire correlaties tussen investeringen in mediakanalen benadrukken.

Dit was logisch toen marketeers een enkele funnel als de absolute waarheid beschouwden - een lineair klanttraject van bewustwording tot overweging tot aankoop. Maar toen Allan Thygesen van Google legt uit dat de trechter niet meer bestaat dankzij ‘intentierijke momenten’. Geen twee customer journeys lijken op elkaar en touchpoints kunnen met elkaar verbonden worden in de vorm van een netwerk of spinnenweb. Causale modellen kunnen bedrijven helpen om het effect van deze onderling verbonden touchpoints op de verkoop op een schaalbare en robuuste manier in te schatten.

• Ontwikkeling van creatieve middelen

Veel bedrijven richten zich nu op het genereren van gesegmenteerde audience's voor marketingactivering. Maar hoe zit het met de creativiteit die ze hen voorschotelen? Is het visueel aantrekkelijk genoeg om hun aandacht te trekken?

IPG Media Brands publiceerde een verslag in 2019 die de impact van creatives op de effectiviteit van advertenties testte. De studie toonde aan dat grootte, vorm, primaire of secundaire dominante kleuren en logo's de CTR gemiddeld met 2X verhoogden. De implicaties van een dergelijke causale gevolgtrekking kunnen de ROAS en de consumentenervaring aanzienlijk verbeteren door aantrekkelijkere advertenties te laten zien in plaats van minder aantrekkelijke.

• Promotie meten

FMCG-merken vertrouwen vaak op promoties om de verkoop te stimuleren en dichter bij de consument te komen. Ze blijven de impact van die promotie echter meten op basis van valse correlaties in plaats van oorzaak-en-gevolgrelaties. In plaats daarvan zouden ze een uitgebreid onderzoek moeten instellen naar de inherente causaliteit tussen productbehoeften om “halo-” en “kannibalisatie”-effecten te bepalen, om nog maar te zwijgen van het isoleren van het effect van promotiegerelateerde activiteiten en investeringen van tijdelijke factoren.

Drie overtuigingen om te slagen

Door meer transparantie te brengen in hoe AI/ML-modellen werken en door de rechtvaardiging bloot te leggen voor voorspellingen die door deze modellen worden gedaan, kunnen besluitvormers de volgende stappen in kaart brengen. Om te beginnen met het implementeren en genereren van incrementele waarde uit Causal Intelligence, kunnen ze nu beginnen met het volgen van drie overtuigingen:

1. Begin met het verzamelen van uitgebreidere data: Beperk u niet tot de data die u al hebt. Bepaal samen met alle zakelijke en technische belanghebbenden alle interne en externe factoren die de prestaties van uw product op de markt kunnen beïnvloeden. Vervolgens kunt u beginnen met het verzamelen van de data en het samenvoegen van alle data bronnen.

2. AI/ML en menselijke intelligentie combineren: Bij het in kaart brengen van de paden/verbindingen tussen verschillende factoren, kan een netwerk worden opgebouwd op basis van pure statistiek. Maar vergeet niet om het netwerk te valideren en aan te passen met de input van belangrijke bedrijfsexperts om vooroordelen te verminderen en taboe-verbanden op te sporen. 

3. Houd eindgebruikers en belanghebbenden vanaf het begin betrokken: Causal Intelligence is tijdrovend, gezien het brede scala aan data punten dat gebruikt wordt en de input van menselijke bedrijfsexperts. Deze belanghebbenden en eindgebruikers moeten vanaf het begin bij het proces betrokken worden.